PROGRAM STUDIÓW Kierunek Informatyka Specjalność Danologia Studia stacjonarne od 2017/2018

Transkrypt

1 1. Opis PROGRAM STUDIÓW Kierunek Informatyka Specjalność Danologia Studia stacjonarne od 2017/2018 Zał. nr 2 do ZW /2012 Zał. nr 2 do Programu kształcenia semestrów: Wymagania wstępne (w szczególności w przypadku studiów II stopnia): Konkurs ocen z dyplomów ukończenia studiów I stopnia Osoba ubiegająca się o przyjęcie na studia II stopnia na kierunku Informatyka musi posiadać kwalifikacje I stopnia oraz kompetencje niezbędne do kontynuowania kształcenia na studiach II stopnia na tym kierunku. Kandydat, który w wyniku ukończenia studiów I stopnia i innych form kształcenia nie uzyskał części z ww. kompetencji, może podjąć studia II stopnia na kierunku Informatyka, jeżeli uzupełnienie braków kompetencyjnych może być zrealizowane przez zaliczenie zajęć w wymiarze nieprzekraczającym 0 punktów ECTS konieczna do uzyskania kwalifikacji: 90 Po ukończeniu studiów absolwent uzyskuje tytuł zawodowy: magister inżynier kwalifikacje I / II * stopnia 1 BK punktów ECTS przypisanych om zajęć wymagających bezpośredniego kontaktu nauczycieli i studentów Egzamin E, zaliczenie na ocenę Z. W grupie po literze E lub Z wpisać w nawiasie formę kursu końcowego (w, c, l, s, p) KO kształcenia ogólnego, PD podstawowy, K kierunkowy, S specjalnościowy 7 W wybieralny, Ob obowiązkowy

2 punktów ECTS. Możliwość kontynuacji studiów: Możliwość podjęcia studiów doktoranckich (III stopnia) Sylwetka absolwenta Absolwent specjalności Danologia, (ang. Data Science): potrafi wykrywać i objaśniać rzeczywiste zjawiska ukryte w danych różnego typu i z różnych dziedzin; posiada teoretyczne podstawy i praktyczne umiejętności niezbędne do analizowania złożonych, masowych i dynamicznych danych pochodzących z mediów społecznościowych, zjawisk ekonomicznych, medycznych, procesów produkcyjnych i innych; posiada specjalistyczną wiedzę w zakresie inteligentnej analizy języka naturalnego i danych multimedialnych; ma wiedzę w zakresie pozyskiwania, integracji i przetwarzania danych charakteryzujących się dużą złożonością i zmiennością, w tym danych tekstowych, obrazowych, mowy, video oraz danych strumieniowych; potrafi stosować metody uczenia maszynowego i wnioskowania statystycznego oraz nowoczesne narzędzia informatyczne w trudnych zadaniach analizy danych oraz interpretacji pozyskanej wiedzy w zastosowaniach praktycznych. Możliwości zatrudnienia Zatrudnieniem specjalistów tej specjalności (Data Scientists) są zainteresowane firmy konsultingowe, finansowe, banki, nowe media, firmy farmaceutyczne i biotechnologiczne, telekomy, firmy logistyczne. Także firmy deweloperskie poszukują specjalistów z tej dziedziny. Oferty pracy pochodzą nie tylko ze świata, ale dużą ofertę pracy można znaleźć także w Polsce. Serwis kariery ( uznał w 2017 roku, że jest to obecnie najbardziej poszukiwany zawód na świecie. 2

3 Wskazanie związku z misją Uczelni i strategią jej rozwoju: Kierunek Informatyka jest prowadzony na Wydziale Informatyki i Zarządzania, który jest jednym z największych wydziałów Politechniki Wrocławskiej. Program kształcenia na kierunku Informatyka prowadzony jest na 4 specjalnościach w języku polskim, 1 w języku angielskim (układ czterosemestralny) odzwierciedlających aktualne potrzeby regionu, a w tym miejsce i rolę Politechniki Wrocławskiej jako wiodącej uczelni i ośrodka naukowego w regionie. Zróżnicowanie merytoryczne specjalności jest uzasadnione dynamicznie zmieniającymi się potrzebami rynkowymi oraz kadrą naukową prowadzącą zajęcia posiadającą dorobek na najwyższym poziomie w dyscyplinie informatyka. Prowadzący zajęcia na kierunku Informatyka uczestniczą w wielu krajowych i międzynarodowych programach i projektach badawczych, w których biorą udział także studenci kierunku, realizując w ramach tych prac badania dla projektów oraz własne badawcze prace dyplomowe. Program kształcenia na kierunku Informatyka na drugim stopniu jest ściśle związany z obszarami badawczymi zespołów badawczych. Prowadzący posiadają udokumentowany wkład publikacyjny w rozwój informatyki światowej. Dzięki temu zarówno problematyka zajęć, jak i bieżące treści są aktualne i wartościowe dla studentów. Działaniom merytorycznym i organizacyjnym na kierunku przewodniczą Pełnomocnik Dziekana ds. kierunku Informatyka, Przewodniczący Komisji Programowej dla kierunku Informatyka oraz opiekunowi specjalności. Zajęcia prowadzą pracownicy katedry: Katedra Systemów Informatycznych (K1), Katedra Inteligencji Obliczeniowej (K2),i Katedra Informatyki (K) i Katedra Inżynierii Oprogramowania (K7) oraz zapraszani specjaliści z zewnątrz. Wydział posiada różnoraką nowoczesną i stale modernizowaną aparaturę komputerową, laboratoria oraz oprogramowanie do prowadzenia dydaktyki na II stopniu.

4 2. Dziedziny nauki i dyscypliny naukowe, do których odnoszą się efekty kształcenia: nauki techniczne dyscyplina naukowa informatyka. Zwięzła analiza zgodności zakładanych efektów kształcenia z potrzebami rynku pracy Odpowiadają zapotrzebowaniom: a) instytucji i firm prowadzących działalność produkcyjną, handlową, usługową lub badawczą na specjalistów działów IT zajmujących się utrzymaniem/rozwojem narzędzi informatycznych wspomagających tę działalność na poziomie strategicznym (planowanie, zarządzanie), b) producentów informatycznych systemów zarządzania, podejmowania decyzji i sterowania na pracowników działów handlowych i działów produkcji oprogramowania (spec. ds kontaktu z klientami, analityków, projektantów), c) firm konsultingowych i integratorów w zakresie analityków systemowych/analityków programistów, konsultantów systemowych, projektantów systemów informatycznych, kierowników projektów informatycznych, architektów systemów informatycznych, d) firm projektujących systemy informatyczne dla wielu specyficznych zastosowań charakterystycznych dla danej specjalności. 4

5 4. Lista modułów kształcenia 4.1. Lista modułów obowiązkowych Lista modułów kształcenia ogólnego Moduł Przedmioty z obszaru nauk humanistycznych L.p. Kod 1 INZ 00417S Nazwa (grupę oznaczyć symbolem GK) Tygodniowa w ć l p s ZZU CNPS łączna pkt. ECTS Forma 2 zajęć Symbol kierunk. efektu kształcenia Sposób zaliczenia ogólnouczelniany 4 Kurs/grupa Etyka nowych technologii 1 K2INF_K ,2 T Z KO Ob. Razem ,2 o charakt. praktycznym 5 rodzaj typ Moduł Przedmioty z obszaru nauk społecznych - nauki o zarządzaniu L.p. Kod 1 INZ 00417W Nazwa (grupę oznaczyć symbolem GK) Tygodniowa w ć l p s ZZU CNPS łączna pkt. ECTS Forma 2 zajęć Symbol kierunk. efektu kształcenia Sposób zaliczenia ogólnouczelniany 4 Kurs/grupa Podstawy biznesu i ochrona 2 K2INF_W ,8 T Z KO Ob. własności intelektualnej Razem ,8 o charakt. praktycznym 5 rodzaj typ 7 5

6 Razem dla modułów kształcenia ogólnego ZZU CNPS punktów ECTS punktów ECTS zajęć w ć l p s L.p Lista modułów z zakresu nauk podstawowych Moduł Matematyka Tygodniowa pkt. ECTS Forma 2 Kod Sposób Kurs/grupa Nazwa Symbol (grupę kierunk. efektu oznaczyć symbolem GK) kształ-cenia zaliogólno- o zajęć charakt. w ć l p s ZZU CNPS łączna czenia uczel- niany 4 prakty- rodzaj typ 7 cznym 5 1 Metody planowania i analizy 1 K2INF_W , T Z PD Ob. eksperymentów Razem ,

7 L.p. Kod Moduł Fizyka Nazwa (grupę oznaczyć symbolem GK) 1 Fizyczne podstawy współczesnej informatyki Tygodniowa pkt. ECTS Forma 2 Symbol kierunk. efektu kształcenia Sposób zaliczenia Kurs/grupa ogólno- o zajęć charakt. w ć l p s ZZU CNPS łączna uczel- niany 4 prakty- rodzaj typ 7 cznym 5 1 K2INF_W , T Z PD Ob. Razem , Razem dla modułów z zakresu nauk podstawowych: ZZU CNPS punktów ECTS punktów ECTS zajęć w ć l p s ,2 7

8 4.2 Lista modułów wybieralnych Lista modułów kształcenia ogólnego L.p. Kod Moduł Języki obce Nazwa (grupę oznaczyć symbolem GK) Tygodniowa w ć l p S ZZU CNPS łączna pkt. ECTS Forma 2 Symbol kierunk. efektu kształcenia Sposób zaliczenia Kurs/grupa 1 Język obcy A1 lub A2 K2INF _U ,2 T Z O KO W 2 Język obcy B2+ 1 K2INF _U , T Z O KO W Razem ,8 zajęć ogólnouczelniany 4 o charakt. praktycznym 5 rodzaj typ 7 Razem dla modułów kształcenia ogólnego: ZZU CNPS punktów ECTS punktów ECTS zajęć w ć l p s ,8 8

9 4.2.2 Lista modułów kierunkowych L.p Moduł Kierunkowe wybieralne Kod Nazwa (grupę oznaczyć symbolem GK) Tygodniowa 1 Praca dyplomowa I 2 K2INF_W0, K2INF_U01 2 Praca dyplomowa II 10 K2INF_W0, K2INF_U05, K2INF_U10, K2INF_K02 Seminarium dyplomowe 2 K2INF_W0, K2INF_U07, K2INF_K01 pkt. ECTS Forma 2 zajęć w ć l p s Symbol kierunk. Efektu kształcenia ZZU CNPS łączna Sposób zaliczenia ogólnouczelniany 4 Kurs/grupa o charakt. praktycznym 5 rodzaj ,2 T Z K W ,8 T Z P(18) K W ,2 T Z K W Razem ,2 18 Razem dla modułów kierunkowych wybieralnych: w ć l p s ZZU CNPS punktów ECTS punktów ECTS zajęć ,2 typ 7 9

10 4.2. Lista modułów specjalnościowych L.p Moduł Przedmioty specjalnościowe (Specjaloność:Danologia) Kod Nazwa (grupę oznaczyć symbolem GK) 1 BK punktów ECTS przypisanych om zajęć wymagających bezpośredniego kontaktu nauczycieli i studentów Egzamin E, zaliczenie na ocenę Z. W grupie po literze E lub Z wpisać w nawiasie formę kursu końcowego (w, c, l, s, p) KO kształcenia ogólnego, PD podstawowy, K kierunkowy, S specjalnościowy 7 W wybieralny, Ob obowiązkowy Tygodniowa pkt. ECTS Forma 2 zajęć w ć l p s Symbol kierunk. Efektu kształcenia ZZU CNPS łączna Sposób zaliczenia ogólnouczelniany 4 Kurs/grupa 1 Probabilistyczne Uczenie Maszynowe 2 K2INF_W_ ,8 T E S W 2 Probabilistyczne Uczenie 2 K2INF_U_ ,8 T Z P(2) S W Maszynowe K2INF_U_0 Indukcyjne metody analizy danych 2 K2INF_W_ ,8 T E S W 4 Indukcyjne metody analizy danych 2 K2INF_U_ ,8 T Z P() S W. K2INF_U_0 5 Indukcyjne metody analizy danych 2 K2INF_U_01 K2INF_U_ ,2 T Z S W Obliczeniowa nauka o sieciach 1 K2INF_W_ , T Z S W 7 Obliczeniowa nauka o sieciach 1 K2INF_U_ T Z S W K2INF_U_07 8 Danologia - wprowadzenie i 2 K2INF_W_ ,8 T E S W zastosowania K2INF_W_0 9 Danologia - wprowadzenie i 1 K2INF_U_ ,2 T Z P(2) S W zastosowania K2INF_U_0 10 Danologia - wprowadzenie i 1 K2INF_U_ , T Z S W zastosowania K2INF_U_07 11 Wybrane zagadnienia sztucznej 1 K2INF_U_ ,2 T Z S W inteligencji K2INF_U_02 12 Wybrane zagadnienia sztucznej 2 K2INF_W_ ,2 T Z P(2) S W inteligencji 1 Głębokie modele uczenia 1 K2INF_W_0 15 0` 2 1,2 T E S W maszynowego 14 Głębokie modele uczenia 2 K2INF_U_ ,2 T Z P(2) S W maszynowego 15 Głębokie modele uczenia maszynowego 1 K2INF_U_01 K2INF_U_ ,2 T Z S W 1 Przetwarzanie danych masowych 1 K2INF_W_ ,2 T E S W 17 Przetwarzanie danych masowych 1 K2INF_U_ ,2 T Z P(2) S W o charakt. praktycznym 5 rodzaj typ 7

11 18 Analiza mediów społecznościowych 19 Analiza mediów społecznościowych 1 K2INF_W_ ,2 T Z S W 2 K2INF_U_02 K2INF_U_05 K2INF_U_ ,2 T Z P(2) S W 20 Analiza języka naturalnego 2 K2INF_W_ T Z S W K2INF_U_0 21 Analiza języka naturalnego 2 K2INF_U_02 K2INF_U_ ,2 T Z P(2) S W 22 Stymulacja twórczego myślenia 2 K2INF_U_01 K2INF_K_07 K2INF_U_09 2 Analiza danych złożonych 1 K2INF_U_02, K2INF_U_0 K2INF_U_04 K2INF_U_ ,2 T Z S W ,2 Z P(2) S W 24 Analiza danych złożonych 1 K2INF_W_0, , Z S W 25 Personalizacja i systemy rekomendacyjne 2 Personalizacja i systemy rekomendacyjne 1 K2INF_W_0, , Z S W 1 K2INF_U_02, K2INF_U_0 K2INF_U_05 K2INF_U_ ,2 Z P(2) S W Razem , Wybieralne przedmioty specjalnościowe Moduł: Analiza danych multimedialnych L.p. Kod Nazwa (grupę oznaczyć symbolem GK) Tygodniowa w ć l p s Symbol kierunk. efektu kształcenia ZZ U CNPS pkt. ECTS Forma 2 łączna zajęć Sposób zaliczenia ogólnouczelniany 4 Kurs/grupa 1 Analiza obrazów 2 K2INF_W_ ,2 T E S W o charakt. praktycznym 5 rodzaj typ 7 11

12 2 Analiza obrazów 2 K2INF_U_0 K2INF_U_ ,2 T Z P(2) S W Analiza mowy 2 K2INF_W_ ,2 T E S W 4 Analiza mowy 2 K2INF_U_0 K2INF_U_ ,2 T Z P(2) S W Razem , Wybieralne przedmioty specjalnościowe Moduł Nowe trendy w analizie danych L.p. Kod Nazwa (grupę oznaczyć symbolem GK) Tygodniowa Symbol kierunk. efektu kształcenia w ć l P s ZZU CNPS łączna pkt. ECTS Forma 2 zajęć Sposób zaliczenia ogólnouczelniany 4 Kurs/grupa 1 Nowe trendy w danologii 1 K2INF_W_0, , Z S W 2 Nowe trendy w danologii/ 2 K2INF_U_ , Z S W K2INF_U_0 Nowe trendy w multimendiach 1 K2INF_W_0, , Z S W 4 Nowe trendy w multimendiach 2 K2INF_U_01 K2INF_U_ , Z S W Razem ,2 o charakt. praktycznym 5 rodzaj typ 7 Razem dla modułów specjalnościowych: ZZU CNPS punktów ECTS punktów ECTS zajęć w ć l p s ,8 4. Moduł praktyk (uchwała Rady Wydziału nt. zasad zaliczania praktyki zał. nr ) Nazwa praktyki 12

13 punktów ECTS punktów ECTS zajęć Tryb zaliczenia praktyki Kod Czas trwania praktyki Cel praktyki 4.4 Moduł praca dyplomowa Typ pracy dyplomowej licencjacka / inżynierska / magisterska semestrów pracy dyplomowej punktów ECTS Kod 2 20 Charakter pracy dyplomowej Literaturowa, projekt, program komputerowy, opracowanie teoretyczne punktów ECTS 12 5 Sposoby weryfikacji zakładanych efektów kształcenia Typ zajęć Sposoby weryfikacji zakładanych efektów kształcenia Wykład np. egzamin, kolokwium Ćwiczenia np. test, kolokwium Laboratorium np. wejściówka, sprawozdanie z laboratorium, ocena rozwiązań w trakcie zajęć Projekt np. obrona projektu Seminarium np. udział w dyskusji, prezentacja tematu, esej Praktyka np. raport z praktyki praca dyplomowa przygotowana praca dyplomowa punktów ECTS, którą student musi uzyskać na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich i studentów (wpisać sumę punktów ECTS dla / grup oznaczonych kodem ) 1

14 90 punktów ECTS 7 punktów ECTS, którą student musi uzyskać w ramach zajęć z zakresu nauk podstawowych punktów ECTS z przedmiotów 2 obowiązkowych. punktów ECTS z przedmiotów wybieralnych. punktów ECTS 2 8 punktów ECTS, którą student musi uzyskać w ramach zajęć o charakterze praktycznym, w tym zajęć laboratoryjnych i projektowych (wpisać sumę punktów ECTS /grup oznaczonych kodem P) punktów ECTS z przedmiotów 0 obowiązkowych punktów ECTS z przedmiotów 41 wybieralnych. punktów ECTS 41 9 Minimalna punktów ECTS, którą student musi uzyskać, realizując moduły kształcenia oferowane na zajęciach ogólnouczelnianych lub na innym kierunku studiów (wpisać sumę punktów ECTS /grup oznaczonych kodem O) 4 punkty ECTS 10 punktów ECTS, którą student może uzyskać, realizując moduły wybieralne (min. 0 % całkowitej liczby punktów ECTS) 8 punkty ECTS 14

15 11 Zakres egzaminu dyplomowego 1. Zadania inteligentnej analizy danych w mediach społecznościowych 2. Modelowanie systemów społecznościowych. Techniki wydobywania i przechowywania danych z mediów społecznościowych 4. Języki i platformy przetwarzania danych masowych 5. Problemy w przetwarzaniu danych masowych. Rozproszone algorytmy uczenia maszynowego 7. Generowanie drzew decyzyjnych główne problemy i metody 8. Generowanie reguł klasyfikujących główne problemy i metody 9. Zadanie klasteryzacji, generowanie hierarchii 10. Proces pozyskiwania wiedzy z danych, analiza koszykowa 11. Systemy z bazą wiedzy, przetwarzanie wiedzy, przetwarzanie rozmytej bazy wiedzy 12. Zbiory rozmyte i ich zastosowania w przetwarzaniu wiedzy 1. Obliczenia miękkie (soft computing) i ich zastosowania 14. Najważniejsze algorytmy wnioskowania relacyjnego 15. Przetwarzanie strumieniowe - możliwości i ograniczenia, algorytmy uczenia 1. Czym są dane złożone oraz w jakich obszarach można je znaleźć, przykłady analizy danych złożonych 17. Najważniejsze głębokie modele uczenia maszynowego 18. Metody uczenia stosowane w uczeniu głębokim 19. Metody regularyzacji w głębokim uczeniu 20. Modele Markowa 21. Redukcja wymiarów 22. Modele wykorzystujące wnioskowanie Bayesa 2. Nowoczesne metody analizy obrazów i video w technice motoryzacyjnej - obszary zastosowań, stosowane algorytmy, typowe problemy 24. Zastosowanie technik analizy audio i video w wyszukiwaniu określonych treści w przekazach radiowych i telewizyjnych - stosowane metody, przykłady zastosowań praktycznych, osiągany poziom skuteczności 15

16 Z przedmiotów wybieralnych w zależności od wyboru Analiza obrazów i video (JS) 25. Algorytmy i metody wyszukiwania elementów podobnych ( near-duplicate ) w zbiorach obrazów 2. Cechy globalne i lokalne w analizie obrazów - techniki ekstrakcji cech, wykorzystanie w algorytmach rozpoznawania i wyszukiwania obrazów 27. Automatyczne indeksowanie obrazów - metody, zastosowania, problemy Analiza mowy (JS) 25. Klasyczna architektura systemu rozpoznawania mowy z wykorzystaniem ukrytego modelu Markowa - zasady konstruowania modelu Markowa z modelu akustycznego i językowego, algorytmy rozpoznawanie mowy z ukrytym modelem Markowa 2. Metody budowy modeli akustycznych i językowych dla celów automatycznego rozpoznawania mowy 27. Cechy akustyczne w rozpoznawaniu mowy - metody ekstrakcji, sposoby wykorzystania w algorytmach rozpoznawania mowy, porównanie skuteczności różnych cech w rozpoznawaniu mowy 12 Wymagania dotyczące terminu zaliczenia określonych /grup lub wszystkich w poszczególnych modułach Lp. Kod kursu Nazwa kursu Termin zaliczenia do... (numer semestru) 1 Język obcy A1 lub A2 1 2 Metody planowania i analizy eksperymentów 1 Fizyczne podstawy współczesnej informatyki 1 4 Probabilistyczne uczenie maszynowe 1 5 Indukcyjne metody analizy danych 1 Obliczeniowa nauka o sieciach 1 7 Danologia- wprowadzenie i zastosowania 1 8 Wybrane zagadnienia sztucznej inteligencji 1 9 Język obcy B Podstawy biznesu i ochrona własności intelektualnej 2 11 Praca dyplomowa I 2 12 Głębokie modele uczenia maszynowego 2 1

17 1 Analiza języka naturalnego 2 14 Przetwarzanie danych masowych 2 15 Analiza mediów społecznościowych 2 1 Moduł wybieralny Analiza danych multimedialnych 2 17 Personalizacja i systemy rekomendacyjne 18 Analiza danych złożonych 19 Moduł wybieralny Nowe trendy w analizie danych 20 Etyka nowych technologii 21 Seminarium dyplomowe 22 Praca dyplomowa II 17

18 1 Plan studiów (załącznik nr ) Zaopiniowane przez wydziałowy organ uchwałodawczy samorządu studenckiego: Data Imię, nazwisko i podpis przedstawiciela studentów Data Podpis dziekana 18